基于GA和单纯形法的直流电机参数辨识

提出一种基于优化算法的非线性系统参数辨识的方法.针对直流电机非线性摩擦力和饱和特性,建立直流电机的非线性模型.利用遗传算法的全局寻优特性和单纯形法快速的收敛性,通过获取充分激励的实际系统运行的输入输出数据,辨识出包括非线性摩擦力在内的直流电机所有的8个模型参数.获取系统实际运行的输入输出数据,分别验证电机运行于死区、饱和区和线性区时,模型辨识的精度.这种方法可以方便地应用于其他非线性系统参数辨识中.     

基于遗传编程的非线性系统辨识

为了实现对非线性系统的辨识,能够对目标系统的结构和参数进行同步辨识,将遗传编程(Genetic Programming,GP)作为辨识工具.使用基本遗传编程算法对非线性静态系统进行辨识-对电厂钢球磨煤机存煤量与产粉量之间的特性关系曲线进行辨识;使用一种改进的遗传编程算法对非线性动态系统进行辨识-对一个二阶离散非线性差分方程进行辨识.所有辨识都取得了满意的结果.遗传编程进化过程中,目标系统的结构与参数同时准确辨识,证明遗传编程非常适合于解决非线性系统辨识问题,并在算法上实现了结构辨识和参数辨识的统一.     

一种多输入单输出Hammerstein系统的集成辨识方法

针对多输入单输出(MISO)Hammerstein系统提出了一种稳态与动态辨识相结合的集成辨识方法.该方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型以神经网络获得其非线性逼近函数,再利用动态信息辨识获取多输入单输出(MISO)Hammerstein系统的线性子系统未知参数的一致性估计.仿真结果表明了该方法的有效性和实用性.     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

利用调制函数法的模糊模型参数辨识

利用调制函数法辨识非线性连续系统的模糊模型参数.系统的动力学微分方程存在微分项,通过输入输出数据辨识模糊模型参数时不能忽略扰动的影响,因此辨识模糊模型参数比较困难.利用调制函数法可以消除微分项,通过无微分项的联立方程的求解容易进行模糊模型参数辨识.几个非线性连续系统的仿真实验验证了所设计的利用调制函数法的模糊模型参数辨识的正确性和有效性.     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

基于拟非线性模糊模型的复杂系统模糊辨识

针对一阶Takagi-Sugeno（以下简称T-S）模型辨识复杂系统的困难，本文提出了一种新的拟非线性模糊模型。即在一阶T-S模型的基础上，再进行一次非线性映射。这种模糊模型不仅具有较高的辨识精度，而且具有良好的泛化功能。运用改进的FCM（Fuzzy-C-Means）模糊聚类方法，辨识该模糊模型的结构，与以往的方法比较，极大地简化了结构辨识的复杂性。仿真结果进一步说明了该方法的有效性。     

具有分片非线性输入的Wiener系统的随机梯度迭代(英文)

研究了一类具有分片非线性输入(又称为死区非线性输入)的Wiener系统的参数辨识,分片非线性输入是一个强非线性输入,其数学模型不能写成参数乘以输入的形式,首先引入开关函数,接着利用开关函数将原系统的不可辨识模型转换为可辨识模型,然后通过随机梯度迭代方法辨识出系统的参数,利用辨识出的参数可以计算出系统所有待辨识参数。仿真结果证明了本文方法的有效性。     

神经模糊系统在制动干扰模型中的应用

关于汽车制动优化问题,由于汽车制动器摩擦系数的干扰,产生汽车制动振荡现象,系统的模型是一个由线性与非线性糅合的系统,针对非线性部分难以建立数学模型,采用传统的BP神经网络进行系统辨识,在辨识过程中常常出现收敛速度慢、易导致局部极值等不良现象,从而影响系统辨识的速度及其信号的跟踪性.为解决上述问题,结合模糊推理系统模型具有控制精度高与神经网络自学习的功能,提出了使用神经模糊系统来进行非线性动态部分辨识的方法.分别采用传统的BP网络与模糊神经系统的方法对非线性动态系统进行辨识,通过利用MATLAB软件进行仿真.仿真结果表明,神经模糊系统的非线性动态系统辨识方法,不仅能够提高系统辨识的收敛速度,还能提高辨识精度及信号的跟踪性能.     

一种基于粒子群优化的非线性系统辨识方法

针对单入单出离散时间非线性动态系统提出一种辨识方法.该方法采用带误差修正的改进泛模型作为非线性系统的结构模型,模型中的时变特征参量及误差修正系数采用粒子群（PSO）算法优化,优化后的模型可以逼近非线性系统.该方法简单、易于实现.通过对Box-Jenkins煤气炉数据等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性.     

基于遗传规划的哈默斯坦模型的辨识

该文基于遗传规划提出了一种辨识哈默斯坦模型的新方法。哈默斯坦模型由静态非线性模块和动态线性模块串联而成,因此系统辨识的目标是要找到非线性和线性模块的最优数学模型。该文通过遗传规划确定非线性模块的函数结构,并结合遗传算法确定模型的未知参数,适应度值的计算采用了最小信息量准则(A IC),以平衡模型的复杂度和精确度。该方法不需要对模型的先验知识有详细了解,就能达到较好的辨识效果,并且能够克服观测噪声的污染,获得参数的无偏估计。仿真结果说明了该方法的有效性。     

不确定混沌系统的动态神经网络跟踪控制

针对不确定非线性混沌系统，提出了一种基于动态神经网络辨识器的自适应跟踪控制新方法，通过滑模控制技术在线调整动态神经网络辨识器权值，并在获取动态神经网络模型的基础上设计出优化控制器，实现混沌系统的轨道跟踪，对辨识误差和轨道跟踪误差进行分析并证明了它们的有界性，Lorenz混沌系统的仿真实验结果表明了控制策略的有效性。     

基于遗传算法和非线性规划求解信息交互的光伏阵列模型鲁棒参数辨识方法

对光伏阵列进行建模不仅可以研究温度、光照等因素对V-I特性曲线的影响,还可以用模型代替实际光伏阵列进行各种光伏实验,降低实验成本,节省实验时间;参数辨识可以使光伏阵列模型的参数值设置更精确,使其与实际值相一致;针对基于非线性规划的光伏阵列模型鲁棒参数辨识方法容易陷入局部搜索的问题,提出了遗传算法与非线性规划求解信息交互的鲁棒参数辨识方法;将遗传算法与非线性规划求解信息交互,既可以进行全局搜索,又可以进行局部搜索,以得到问题的全局最优解;通过仿真测试,使用该方法得到的结果均方误差降低了8倍,均方误差量级达到了1.0E-3,表明了该方法在光伏阵列模型参数辨识方面具有较高的精确度。     

一种非线性模型的在线辨识方法

提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和。并把此非线性系统模型表示成模糊模型的形式,用在线调节模糊模型的方法来辨识时变线性模型的相关参数。在以往的模糊辨识方法中,均未给出在线调整非线性系统的模糊辨识算法。将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数,仿真算例表明了此算法的有效性与良好的实用价值。     

高速列车非线性模型的极大似然辨识

提出高速列车非线性模型的极大似然(Maximum likelihood, ML)辨识方法,适合于高速列车在非高斯噪声干扰下的非线性模型的参数估计.首先,构建了描述高速列车单质点力学行为的随机离散非线性状态空间模型,并将高速列车参数的极大似然(ML)估计问题转化为期望极大(Expectation maximization, EM)的优化问题; 然后,给出高速列车状态估计的粒子滤波器和粒子平滑器的设计方法,据此构造列车的条件数学期望,并给出最大化该数学期望的梯度搜索方法,进而得到列车参数的辨识算法,分析了算法的收敛速度; 最后,进行了高速列车阻力系数估计的数值对比实验. 结果表明, 所提出的辨识方法的有效性.     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

'Identifying the structure of nonlinear dynamic systems using multiobjective genetic programming

A method for identifying the structure of nonlinear polynomial dynamic models is presented. This approach uses an evolutionary algorithm, genetic programming, in a multiobjective fashion to generate global models which describe the dynamic behavior of the nonlinear system under investigation. The validation stage of system identification is simultaneously evaluated using the multiobjective tool, in order to direct the identification process to a set of global models of the system.     

基于自适应动态规划的一类带有时滞的离散时间非线性系统的最优控制策略

针对一类状态和控制变量均带有时滞的非线性系统的带有二次性能指标函数最优控制问题, 本文提出了一种基于新的迭代自适应动态规划算法的最优控制方案. 通过引进时滞矩阵函数, 应用动态规划理论, 本文获得了最优控制的显式表达式, 然后通过自适应评判技术获得最优控制量. 本文给出了收敛性证明以保证性能指标函数收敛到最优. 为了实现所提出的算法, 本文采用神经网络近似性能指标函数、计算最优控制策略、求解时滞矩阵函数、以及给非线性系统建模. 最后本文给出了两个仿真例子说明所提出的最优策略的有效性.     

污水处理过程递推双线性子空间建模及无模型自适应控制

污水处理过程中, 生化反应硝态氮浓度和溶解氧浓度是决定出水水质好坏的两个最关键变量, 难以采用常规基于模型的方法进行有效控制. 本文基于数据驱动建模与控制技术, 提出一种污水处理过程递推双线性子空间辨识(Recursive bilinear subspace identification, RBLSI)建模和无模型自适应控制方法. 首先, 针对污水处理过程的非线性时变动态特性, 采用最小二乘递推双线性子空间辨识方法建立污水处理生化反应过程具有参数自适应能力的递推双线性模型; 其次, 基于建立的数据驱动模型, 采用基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)和遗传粒子群优化(Genetic algorithm-particle swarm optimization, GA-PSO)算法的无模型自适应控制(Model-free adaptive control, MFAC)方法对硝态氮和溶解氧浓度进行直接数据驱动控制; 最后, 数据实验及其比较分析表明了所提方法的有效性和优越性.